Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Dauer 14 Stunden
Schulungsübersicht
Die Landschaft der KI-Observability
- Von Dashboards zu Gesprächen: Der Wandel hin zur KI-augmentierten Observability
- Fähigkeiten von LLMs, die für Observability relevant sind: Zusammenfassung, Schlussfolgerung, Mustererkennung
- Architekturmuster: Einbettung von KI in bestehende Observability-Stacks
Natürlichsprachige Abfrage von Telemetriedaten
- Von Text zu PromQL: Übersetzung natürlicher Sprache in Monitoring-Abfragen
- NL-Abfragen für Elasticsearch, OpenSearch und Loki Log-Speicher
- SQL-Generierung aus natürlicher Sprache für strukturierte Telemetriedaten
- Erstellung eines Query-Assistant-Agents mit Tool-Nutzung und Kontextbewusstsein
LLM-gestützte Log-Analyse
- Automatisches Parsing und Strukturiere von Logs mit LLMs
- Anomalieerkennung in Log-Streams mittels Embedding-Ähnlichkeit
- Log-Klusterung und Mustererkennung im grossen Massstab
- Generierung menschenlesbarer Erklärungen aus rohen Log-Sequenzen
Intelligente Alarmierung und Incident-Anreicherung
- Korrelation und Deduplizierung von Alerts mit semantischem Verständnis
- Automatisches Sammeln von Incident-Kontext aus Runbooks, vergangenen Incidents und Dokumentationen
- Smarte Alarm-Routing basierend auf Inhaltsverständnis und Team-Expertise
- Reduzierung der Alert-Müdigkeit durch KI-gesteuerte Lärmreduktion
KI-unterstützte Root-Cause-Analyse
- Hypothesengenerierung aus der Korrelation multipler Telemetriekquellen
- Evidenzkette: Verbindung von Symptomen über Metriken, Logs und Traces hinweg
- Geführte Fehlersuche mit interaktiven AI-Diagnosesitzungen
- Erstellung eines Root-Cause-Analyse-Agents mit progressiver Untersuchung
Automatisierte Incident-Behandlung und Kommunikation
- Generierung von Incident-Zusammenfassungen und Status-Updates aus Telemetriedaten
- Automatisches Erstellen von Postmortem-Berichten mit Zeitleisten-Rekonstruktion
- Auf die Zielgruppe zugeschnittene Kommunikation für technische und executive Stakeholder
- Vorschläge für Runbooks und automatische Vorschläge zur Behebung
ML für Observability
- Zeitreihen-Prognose für Kapazitätsplanung und Anomalievorhersage
- Foundation-Modelle zur Zero-Shot-Anomalieerkennung bei Metriken
- Embedding-basierte Erfassung von Service-Abhängigkeiten und Topologie-Erkennung
- Ausbildung und Bereitstellung leichtgewichtiger ML-Modelle neben Observability-Pipelines
Bereitstellung in der Produktion und Ethik
- Latenz- und Kostenaspekte für Echtzeit-KI-Observability
- Datenschutz: Sicherstellen, dass LLMs keine sensiblen Telemetriedaten preisgeben
- Menschliche Aufsicht: Wann die AI-Diagnose durch Operator-Bestätigung benötigt wird
- Wirkungsmessung: MTTD, MTTR und Metriken zur On-Call-Erfahrung
Voraussetzungen
- Erfahrung mit Observability-Tools wie Prometheus, Grafana, Datadog oder OpenTelemetry.
- Vertrautheit mit Konzepten des Log-Managements und der Metriken.
- Grundlegende Python-Skripting-Kenntnisse für die Datenverarbeitung.
Zielgruppe
- SRE- und Observability-Ingenieurinnen und -Ingenieure, die KI-ergänzte Tools übernehmen.
- Platform-Ingenieurinnen und -Ingenieure, die Monitoring-Pipelines der nächsten Generation aufbauen.
- DevOps-Leitende, die die Integration von LLMs in Incident-Arbeitsabläufe bewerten.
